- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
结直肠癌（colorectal cancer，CRC）位于常见恶性肿瘤第三位并且死亡率极高，其早期诊断和肿瘤分期对治疗方式的选择有重要意义。近年来，越来越多的研究表明，纹理分析通过分析影像中像素或体素灰度的分布和联系，挖掘其细微结构和变化规律，能够更精确地评估肿瘤异质性、内在侵袭性和治疗抗性。因此纹理分析有助于肿瘤的早期诊断、分期和预后评估。
本赛题主要对结直肠癌的纹理影像进行分类，其中据集包含了5000张结直肠癌纹理的图片，图片大小为150*150的RGB图片。图片共分为8个类别，代表8种不同的纹理。
参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放
参赛方式
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 |
获奖人数 |
奖金额度说明(按最终得分评判) |
| 参与奖（总奖金20%） |
所有人 |
根据基线得分与100分之间，分成5个奖金区间；不同得分区间获得相应的竞赛奖金。 |
| 突破奖（总奖金10%） |
所有人 |
更新排行榜最高分数，获得相应的竞赛奖金 |
| 排名奖（总奖金70%） |
月赛前5名 |
奖金发放最终以月为单位，前5名获奖占比以K系数表示，分别为：0.45，0.25，0.15，0.1，0.05 |
| 不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
赛题描述
通过实现算法并提交训练，获取奖金池奖金。小提示：抢先更新算法排行榜，有更大机会获取高额奖金哦！
数据描述
由于需要提交代码作品在云端进行训练，参赛数据集不对外开放。仅提供调试数据。
字段说明：
| 文件名 |
字段名称 |
字段类型 |
备注 |
| image_path |
string |
不为空 |
图片路径 |
| label |
string |
不为空 |
类别 |
评审标准
算法输入输出格式
输入字段：
image_path,
输出字段：
label,
评审指标说明
- 准确率（Accuracy）：对于给定的测试数据集，预测正确的样本数与实际总样本数之比
- True，表示预测正确的样本数数量
- Total Number of Samples，表示实际总样本数数量
- 计算公式如下：
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法，调用模型得出评分。
超过 85分 的成绩会在48小时内更新到排行榜，不要着急哦！
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为98.90。
batch数据为20，循环次数为35次，通过在线上环境完成训练，模型最优精度评分为98.80。
batch数据为64，循环次数为75次，通过在线上环境完成训练，模型最优精度评分为98.70。
4
batch数据为64，循环次数为35次，通过在线上环境完成训练，模型最优精度评分为98.60。
5
batch数据为1，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为98.50。
6
batch数据为100，循环次数为800次，通过在线上环境完成训练，模型最优精度评分为98.50。
7
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为98.40。
8
batch数据为64，循环次数为55次，通过在线上环境完成训练，模型最优精度评分为98.40。
9
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为98.30。
10
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为98.20。
11
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为98.20。
12
batch数据为32，循环次数为150次，通过在线上环境完成训练，模型最优精度评分为98.20。
13
batch数据为16，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为98.20。
14
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为98.00。
15
batch数据为64，循环次数为39次，通过在线上环境完成训练，模型最优精度评分为97.90。
16
batch数据为128，循环次数为70次，通过在线上环境完成训练，模型最优精度评分为97.90。
17
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为97.90。
18
batch数据为64，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为97.80。
19
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为97.50。
20
batch数据为64，循环次数为70次，通过在线上环境完成训练，模型最优精度评分为97.40。
21
batch数据为128，循环次数为25次，通过在线上环境完成训练，模型最优精度评分为97.30。
22
batch数据为16，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为97.20。
23
batch数据为256，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为97.20。
24
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为97.10。
25
batch数据为64，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为97.10。
26
batch数据为32，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为97.10。
27
batch数据为128，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为97.00。
28
batch数据为32，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为97.00。
29
batch数据为4，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为97.00。
30
batch数据为20，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为96.90。
31
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为96.80。
32
batch数据为32，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为96.80。
33
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为96.70。
34
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为96.60。
35
batch数据为32，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为96.50。
36
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为96.10。
37
batch数据为100，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为95.90。
38
batch数据为32，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为95.80。
39
batch数据为64，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为95.50。
40
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为95.40。
41
batch数据为32，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为95.30。
42
batch数据为20，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为95.30。
43
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为95.00。
44
batch数据为16，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为94.80。
45
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为94.20。
46
batch数据为128，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为94.10。
47
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为93.80。
48
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为93.80。
49
batch数据为64，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为93.70。
50
batch数据为128，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为93.60。
51
batch数据为256，循环次数为150次，通过在线上环境完成训练，模型最优精度评分为93.40。
52
batch数据为200，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为93.20。
53
batch数据为8，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为92.50。
54
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为92.30。
55
batch数据为32，循环次数为45次，通过在线上环境完成训练，模型最优精度评分为92.10。
56
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为91.90。
57
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为91.90。
58
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为91.80。
59
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为91.70。
60
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.50。
61
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为91.50。
62
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为91.40。
63
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为91.20。
64
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为91.00。
65
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为90.90。
66
batch数据为192，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为90.60。
67
batch数据为128，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为90.50。
68
batch数据为16，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为90.30。
69
batch数据为32，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为90.30。
70
batch数据为64，循环次数为35次，通过在线上环境完成训练，模型最优精度评分为88.90。
71
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为88.90。
72
batch数据为64，循环次数为64次，通过在线上环境完成训练，模型最优精度评分为88.20。
73
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为88.10。
74
batch数据为64，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为88.00。
75
batch数据为64，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为87.60。
76
batch数据为64，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为87.20。
77
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为86.90。
78
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为86.70。
79
batch数据为32，循环次数为16次，通过在线上环境完成训练，模型最优精度评分为86.40。
80
batch数据为128，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为85.30。
81
batch数据为200，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为84.50。
82
batch数据为100，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为84.50。
83
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为84.40。
84
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为84.40。
85
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为84.30。
86
batch数据为32，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为83.30。
87
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为83.10。
88
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为82.90。
89
batch数据为128，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为82.50。
90
batch数据为256，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为82.10。
91
batch数据为500，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为80.70。
92
batch数据为50，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为79.90。
93
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为79.90。
94
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为79.40。
95
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为79.30。
96
batch数据为128，循环次数为400次，通过在线上环境完成训练，模型最优精度评分为79.00。
97
batch数据为128，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为78.60。
98
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为77.30。
99
batch数据为32，循环次数为5000次，通过在线上环境完成训练，模型最优精度评分为77.20。
100
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为76.90。
101
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为76.30。
102
batch数据为32，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为76.30。
103
batch数据为64，循环次数为400次，通过在线上环境完成训练，模型最优精度评分为76.10。
104
batch数据为128，循环次数为900次，通过在线上环境完成训练，模型最优精度评分为75.00。
105
batch数据为32，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为74.00。
106
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为73.60。
107
batch数据为32，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为73.10。
108
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为72.50。
109
batch数据为256，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为72.50。
110
batch数据为512，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为71.60。
111
batch数据为256，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为71.50。
112
batch数据为64，循环次数为2000次，通过在线上环境完成训练，模型最优精度评分为70.60。
113
batch数据为128，循环次数为150次，通过在线上环境完成训练，模型最优精度评分为69.80。
114
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为69.60。
115
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为69.30。
116
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为68.30。
117
batch数据为24，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为67.60。
118
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为67.50。
119
batch数据为256，循环次数为150次，通过在线上环境完成训练，模型最优精度评分为67.30。
120
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为67.10。
121
batch数据为256，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为66.40。
122
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为65.10。
123
batch数据为32，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为64.70。
124
batch数据为64，循环次数为3000次，通过在线上环境完成训练，模型最优精度评分为64.20。
125
batch数据为16，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为63.80。
126
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为62.90。
127
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为62.00。
128
batch数据为24，循环次数为400次，通过在线上环境完成训练，模型最优精度评分为61.80。
129
batch数据为16，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为57.10。
130
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为54.90。
131
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为54.50。
132
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为54.10。
133
batch数据为24，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为52.30。
134
batch数据为100，循环次数为150次，通过在线上环境完成训练，模型最优精度评分为51.00。
135
batch数据为64，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为50.70。
136
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为47.30。
137
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为45.40。
138
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为32.10。
139
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为31.10。
140
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为31.00。
141
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为30.30。
142
batch数据为128，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为30.00。
143
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为29.70。
144
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为29.50。
145
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为29.20。
146
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为29.20。
147
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为29.20。
148
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为26.50。
149
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为25.90。
150
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为22.40。
151
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为22.20。
152
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为21.60。
153
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为20.10。
154
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为20.00。
155
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为19.80。
156
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
157
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为16.90。
158
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
159
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
160
batch数据为100，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为16.90。
161
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
162
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
163
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
164
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
165
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
166
batch数据为256，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为16.90。
167
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
168
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
169
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为16.90。
170
batch数据为100，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为16.90。
171
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
172
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
173
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
174
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
175
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
176
batch数据为32，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为16.90。
177
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
178
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
179
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
180
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为16.90。
181
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
182
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
183
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
184
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
185
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
186
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
187
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
188
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
189
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
190
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为16.90。
191
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
192
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
193
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
194
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
195
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为16.90。
196
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
197
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
198
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
199
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
200
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
201
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
202
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
203
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
204
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
205
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为16.90。
206
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
207
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
208
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
209
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
210
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
211
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
212
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
213
batch数据为30，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为16.90。
214
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
215
batch数据为128，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
216
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
217
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
218
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
219
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
220
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
221
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
222
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
223
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
224
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为16.90。
225
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
226
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
227
batch数据为64，循环次数为10000次，通过在线上环境完成训练，模型最优精度评分为16.90。
228
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
229
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为16.90。
230
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
231
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
232
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
233
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为16.90。
234
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
235
batch数据为128，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
236
batch数据为64，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为16.90。
237
batch数据为64，循环次数为250次，通过在线上环境完成训练，模型最优精度评分为16.90。
238
batch数据为8，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
239
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
240
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
241
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
242
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
243
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
244
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
245
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
246
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
247
batch数据为128，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为16.90。
248
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
249
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
250
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
251
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
252
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
253
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
254
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
255
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
256
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为16.90。
257
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
258
batch数据为128，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
259
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
260
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
261
batch数据为64，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为16.90。
262
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
263
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
264
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
265
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
266
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
267
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
268
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
269
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
270
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
271
batch数据为16，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
272
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
273
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
274
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
275
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
276
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
277
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
278
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
279
batch数据为1，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为16.90。
280
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
281
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
282
batch数据为64，循环次数为80次，通过在线上环境完成训练，模型最优精度评分为16.90。
283
batch数据为64，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为16.90。
284
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
285
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
286
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
287
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
288
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
289
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
290
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
291
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
292
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
293
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
294
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为16.90。
295
batch数据为96，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为16.90。
296
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
297
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
298
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
299
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为16.90。
300
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
301
batch数据为10，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为16.90。
302
batch数据为25，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
303
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为16.90。
304
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
305
batch数据为64，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为16.90。
306
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
307
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
308
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
309
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
310
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
311
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
312
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
313
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
314
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
315
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
316
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
317
batch数据为32，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为16.90。
318
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为16.90。
319
batch数据为64，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为16.90。
320
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
321
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
322
batch数据为64，循环次数为35次，通过在线上环境完成训练，模型最优精度评分为16.90。
323
batch数据为32，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为16.90。
324
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
325
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
326
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
327
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
328
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
329
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
330
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
331
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
332
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
333
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
334
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
335
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
336
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
337
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
338
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
339
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
340
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
341
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为16.90。
342
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为16.90。
343
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
344
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
345
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
346
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
347
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为16.90。
348
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
349
batch数据为64，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为16.90。
350
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
351
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
352
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
353
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
354
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
355
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为16.90。
356
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
357
batch数据为1，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
358
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
359
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
360
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
361
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
362
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
363
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
364
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
365
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
366
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
367
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
368
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
369
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
370
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
371
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为16.90。
372
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
373
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
374
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
375
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
376
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为16.90。
377
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为16.90。
378
batch数据为2，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为16.90。
379
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
380
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
381
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
382
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
383
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
384
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为16.90。
385
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
386
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
387
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
388
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
389
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为16.90。
390
batch数据为64，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为15.70。
391
batch数据为16，循环次数为25次，通过在线上环境完成训练，模型最优精度评分为13.50。
392
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为13.50。
393
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为11.70。
394
batch数据为64，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为11.40。
- trickornot
-
模型得分为98.6，本次获得排名奖奖金为420元
2019-12-02 15:00:02
- 大木淡漠
-
模型得分为98.7，本次获得排名奖奖金为630元
2019-12-02 15:00:02
- 善假于物
-
模型得分为98.9，本次获得排名奖奖金为1890元
2019-12-02 15:00:02
- 小林子
-
模型得分为98.8，本次获得排名奖奖金为1050元
2019-12-02 15:00:02
- 一口大怪兽
-
模型得分为98.5，本次获得排名奖奖金为210元
2019-12-02 15:00:02
- 善假于物
-
模型得分为98.9，本次获得实时奖励奖金为4元
2019-11-27 10:45:58
- 小林子
-
模型得分为98.8，本次获得实时奖励奖金为9元
2019-11-19 10:38:44
- 小林子
-
模型得分为98.8，本次获得实时奖励奖金为9元
2019-11-19 10:38:39
- 小林子
-
模型得分为98.8，本次获得实时奖励奖金为9元
2019-11-19 10:38:38
- 小林子
-
模型得分为98.8，本次获得实时奖励奖金为9元
2019-11-19 10:38:38
- 小林子
-
模型得分为98.8，本次获得实时奖励奖金为9元
2019-11-19 10:38:38
- 小林子
-
模型得分为98.8，本次获得实时奖励奖金为9元
2019-11-19 10:38:37
- 小林子
-
模型得分为98.8，本次获得实时奖励奖金为9元
2019-11-19 10:38:35
- 小林子
-
模型得分为98.6，本次获得实时奖励奖金为4元
2019-11-15 18:59:27
- 小林子
-
模型得分为98.6，本次获得实时奖励奖金为4元
2019-11-15 18:59:25
- 小林子
-
模型得分为98.6，本次获得实时奖励奖金为4元
2019-11-15 18:59:21
- 小林子
-
模型得分为98.5，本次获得实时奖励奖金为5元
2019-11-14 22:05:08
- 小林子
-
模型得分为98.5，本次获得实时奖励奖金为5元
2019-11-14 22:05:07
- 小林子
-
模型得分为98.5，本次获得实时奖励奖金为5元
2019-11-14 22:05:04
- 一口大怪兽
-
模型得分为98.4，本次获得实时奖励奖金为4元
2019-11-11 10:38:16
- 一口大怪兽
-
模型得分为98.4，本次获得实时奖励奖金为4元
2019-11-11 10:38:13
- 一口大怪兽
-
模型得分为98.4，本次获得实时奖励奖金为4元
2019-11-11 10:38:10
- 交差墒
-
模型得分为97.2，本次获得实时奖励奖金为1.17元
2019-11-07 10:34:36
- Mengcius
-
模型得分为97，本次获得实时奖励奖金为2.34元
2019-11-06 11:26:58
- emmm我还没想好
-
模型得分为98.3，本次获得实时奖励奖金为17元
2019-11-05 11:01:18
- emmm我还没想好
-
模型得分为98.3，本次获得实时奖励奖金为17元
2019-11-05 11:01:15
- Mengcius
-
模型得分为89.6，本次获得实时奖励奖金为1.5元
2019-11-04 11:18:29
- 忘忧草892
-
模型得分为97.9，本次获得实时奖励奖金为9.38元
2019-11-04 11:17:01
- 天涯·明月·刀
-
模型得分为97.2，本次获得实时奖励奖金为18.75元
2019-11-04 11:15:42
- batter
-
模型得分为88.6，本次获得实时奖励奖金为3元
2019-11-04 11:13:00
- Wghost
-
模型得分为94.6，本次获得实时奖励奖金为1.17元
2019-11-04 11:09:08
- Daiccccc
-
模型得分为97.9，本次获得实时奖励奖金为53.5元
2019-11-04 11:08:15
- Mengcius
-
模型得分为87.9，本次获得实时奖励奖金为1.5元
2019-11-04 11:06:36
- 善假于物
-
模型得分为92.7，本次获得实时奖励奖金为1.41元
2019-11-04 11:06:16
- siaya
-
模型得分为90.4，本次获得实时奖励奖金为6元
2019-11-04 11:06:02
- emmm我还没想好
-
模型得分为97.2，本次获得实时奖励奖金为75元
2019-11-04 11:02:23
- 宇宙
-
模型得分为93.4，本次获得实时奖励奖金为2.81元
2019-11-04 10:57:46
- 田海滨
-
模型得分为91.3，本次获得实时奖励奖金为5.63元
2019-11-04 10:57:38
- siaya
-
模型得分为86.2，本次获得实时奖励奖金为1.5元
2019-11-04 10:56:34
- 208.
-
模型得分为91.2，本次获得实时奖励奖金为11.25元
2019-11-04 10:56:26
- alwaysbetter
-
模型得分为94.8，本次获得实时奖励奖金为2.34元
2019-11-04 10:56:12
- 208.
-
模型得分为85.9，本次获得实时奖励奖金为3元
2019-11-04 10:56:03
- 忘忧草892
-
模型得分为96.8，本次获得实时奖励奖金为4.69元
2019-11-04 10:55:55
- 一口大怪兽
-
模型得分为97.2，本次获得实时奖励奖金为150元
2019-11-04 10:54:33
- Zkk_hhh
-
模型得分为90.1，本次获得实时奖励奖金为12元
2019-11-04 10:52:47
- alwaysbetter
-
模型得分为87.2，本次获得实时奖励奖金为6元
2019-11-04 10:52:40
- 一口大怪兽
-
模型得分为96.9，本次获得实时奖励奖金为9.38元
2019-11-04 10:52:16
- 大木淡漠
-
模型得分为94.9，本次获得实时奖励奖金为18.75元
2019-11-04 10:50:58
- clare
-
模型得分为91.7，本次获得实时奖励奖金为22.5元
2019-11-04 10:47:43
- 宇宙
-
模型得分为88.2，本次获得实时奖励奖金为24元
2019-11-04 10:47:33
- 超爱喝酸奶
-
模型得分为91.9，本次获得实时奖励奖金为45元
2019-11-04 10:47:23
- 善假于物
-
模型得分为86.6，本次获得实时奖励奖金为12元
2019-11-04 10:46:43
- 超爱喝酸奶
-
模型得分为88.8，本次获得实时奖励奖金为48元
2019-11-01 11:53:41
- 西北风
-
模型得分为97.5，本次获得实时奖励奖金为324元
2019-11-01 11:53:36
- Winteriscoming
-
模型得分为94.2，本次获得实时奖励奖金为37.5元
2019-11-01 11:49:14
- Winteriscoming
-
模型得分为92.2，本次获得实时奖励奖金为90元
2019-11-01 11:48:20
- emmm我还没想好
-
模型得分为96.9，本次获得实时奖励奖金为54元
2019-11-01 11:48:12
- emmm我还没想好
-
模型得分为95.4，本次获得实时奖励奖金为562元
2019-11-01 11:48:07
